Eine umfassende Umfrage zu Techniken, Herausforderungen, Evaluationsmetriken und Anwendungen von Deep-Learning-Modellen zur Anomalieerkennung

Verbundene Geräte verbessern die Lebensqualität und erzeugen eine große Menge an Daten, die Berechnungen und Übertragungen erfordern; der Bedarf an Sicherheit wird mit der zunehmenden Komplexität und dem Umfang von Netzwerken zu einer wichtigen Herausforderung. Die Analyse von Netzwerkpaketen zur Identifizierung von Abweichungen vom Standardverhalten wird als Anomalieerkennung bezeichnet. Deep-Learning-Tools haben sich als vielversprechende Alternative zu klassischen maschinellen Lernansätzen etabliert, da sie in der Merkmalsmodellierung, der Bewertung der Erkennungsrate und der Spiegelung kognitiver Entwicklungen überlegen sind. Der Überblick skizziert die Rolle von Deep-Learning-Techniken bei der Merkmals-extraktion und Klassifizierung von Ausreißern in verschiedenen Anwendungsbereichen. Eine detaillierte Analyse von Standarddatensätzen und Methodologien der neuesten experimentellen Forschung wird durchgeführt. Wissenschaftliche Beiträge des vergangenen Jahrzehnts werden in Bezug auf die eingesetzten Techniken, Leistungsmetriken, Datensätze, Herausforderungen und Anwendungsbereiche reflektiert. Schließlich untersucht das Papier zukünftige Forschungsrichtungen und betont die Notwendigkeit von hybriden Modellen, fortschrittlicher Hardware und verbesserter Interpretierbarkeit.